R glm公式:&引用;操作人员它有什么作用?

R glm公式:&引用;操作人员它有什么作用?,r,formula,glm,R,Formula,Glm,文件说: 形式说明?第一:第二?表示通过将“第一个”中的所有术语与“第二个”中的所有术语进行交互而获得的术语集。规范“first*second”表示“first”和“second”的交叉。这与“第一+第二+第一:第二”相同 但是,将“第一”中的所有术语与“第二”中的所有术语进行交互意味着什么呢?如果first是性别,second是眼睛颜色,这意味着你的分析分为性别/眼睛颜色类别,因此你的输出参数与蓝眼睛男性相关,绿眼睛女性等。如果你的公式是Y~第一:第二,你就会得到这个 使用first*seco

文件说:

形式说明?第一:第二?表示通过将“第一个”中的所有术语与“第二个”中的所有术语进行交互而获得的术语集。规范“first*second”表示“first”和“second”的交叉。这与“第一+第二+第一:第二”相同


但是,将“第一”中的所有术语与“第二”中的所有术语进行交互意味着什么呢?

如果
first
是性别,
second
是眼睛颜色,这意味着你的分析分为性别/眼睛颜色类别,因此你的输出参数与蓝眼睛男性相关,绿眼睛女性等。如果你的公式是
Y~第一:第二
,你就会得到这个

使用
first*second
公式,您可以得到眼睛颜色的总体参数(或一组),另一个用于性别,以及配对因子。如果公式是
Y~ first*second
,则得到该值

如果执行
Y~第一次+第二次
操作,则会得到每个因子的单独参数


实际上,这可能是一个stats.stackexchange.com的问题…

如果
第一个
是性别,而
第二个
是眼睛颜色,这意味着你的分析分为性别/眼睛颜色类别,所以你的输出参数与蓝眼睛男性、绿眼睛女性等相关。如果你的公式是
Y~第一:第二个
,你就会得到这个结果

使用
first*second
公式,您可以得到眼睛颜色的总体参数(或一组),另一个用于性别,以及配对因子。如果公式是
Y~ first*second
,则得到该值

如果执行
Y~第一次+第二次
操作,则会得到每个因子的单独参数


实际上,这可能是一个stats.stackexchange.com的问题…

如果
第一个
是性别,而
第二个
是眼睛颜色,这意味着你的分析分为性别/眼睛颜色类别,所以你的输出参数与蓝眼睛男性、绿眼睛女性等相关。如果你的公式是
Y~第一:第二个
,你就会得到这个结果

使用
first*second
公式,您可以得到眼睛颜色的总体参数(或一组),另一个用于性别,以及配对因子。如果公式是
Y~ first*second
,则得到该值

如果执行
Y~第一次+第二次
操作,则会得到每个因子的单独参数


实际上,这可能是一个stats.stackexchange.com的问题…

如果
第一个
是性别,而
第二个
是眼睛颜色,这意味着你的分析分为性别/眼睛颜色类别,所以你的输出参数与蓝眼睛男性、绿眼睛女性等相关。如果你的公式是
Y~第一:第二个
,你就会得到这个结果

使用
first*second
公式,您可以得到眼睛颜色的总体参数(或一组),另一个用于性别,以及配对因子。如果公式是
Y~ first*second
,则得到该值

如果执行
Y~第一次+第二次
操作,则会得到每个因子的单独参数


实际上,这可能是一个stats.stackexchange.com问题…

您可以在下面简单地看到这是如何工作的:

df <- mtcars[1:5]    # first 5 cols of mtcars
summary(glm(mpg~cyl+disp,df,family=gaussian))
# ...
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 34.66099    2.54700  13.609 4.02e-14 ***
# cyl         -1.58728    0.71184  -2.230   0.0337 *  
# disp        -0.02058    0.01026  -2.007   0.0542 .  
# ---
summary(glm(mpg~cyl:disp,df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.0833812  1.0251545  26.419  < 2e-16 ***
# cyl:disp    -0.0043138  0.0005157  -8.364 2.46e-09 ***
# ---
summary(glm(mpg~cyl*disp,df,family=gaussian))
# ...
# Coefficients:
#              Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 49.037212   5.004636   9.798 1.51e-10 ***
# cyl         -3.405244   0.840189  -4.053 0.000365 ***
# disp        -0.145526   0.040002  -3.638 0.001099 ** 
# cyl:disp     0.015854   0.004948   3.204 0.003369 ** 
# ---
summary(glm(mpg~(cyl+disp):(hp+drat),df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.7196970  3.7574472   7.377 6.18e-08 ***
# cyl:hp      -0.0147027  0.0051353  -2.863  0.00802 ** 
# cyl:drat     0.7146769  0.3432173   2.082  0.04692 *  
# disp:hp      0.0003444  0.0001393   2.473  0.01998 *  
# disp:drat   -0.0282752  0.0082855  -3.413  0.00204 ** 

一般来说,在没有主效应的情况下考虑相互作用的模型不是一个好主意。

你可以看到这是如何简单地在下面工作:

df <- mtcars[1:5]    # first 5 cols of mtcars
summary(glm(mpg~cyl+disp,df,family=gaussian))
# ...
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 34.66099    2.54700  13.609 4.02e-14 ***
# cyl         -1.58728    0.71184  -2.230   0.0337 *  
# disp        -0.02058    0.01026  -2.007   0.0542 .  
# ---
summary(glm(mpg~cyl:disp,df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.0833812  1.0251545  26.419  < 2e-16 ***
# cyl:disp    -0.0043138  0.0005157  -8.364 2.46e-09 ***
# ---
summary(glm(mpg~cyl*disp,df,family=gaussian))
# ...
# Coefficients:
#              Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 49.037212   5.004636   9.798 1.51e-10 ***
# cyl         -3.405244   0.840189  -4.053 0.000365 ***
# disp        -0.145526   0.040002  -3.638 0.001099 ** 
# cyl:disp     0.015854   0.004948   3.204 0.003369 ** 
# ---
summary(glm(mpg~(cyl+disp):(hp+drat),df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.7196970  3.7574472   7.377 6.18e-08 ***
# cyl:hp      -0.0147027  0.0051353  -2.863  0.00802 ** 
# cyl:drat     0.7146769  0.3432173   2.082  0.04692 *  
# disp:hp      0.0003444  0.0001393   2.473  0.01998 *  
# disp:drat   -0.0282752  0.0082855  -3.413  0.00204 ** 

一般来说,在没有主效应的情况下考虑相互作用的模型不是一个好主意。

你可以看到这是如何简单地在下面工作:

df <- mtcars[1:5]    # first 5 cols of mtcars
summary(glm(mpg~cyl+disp,df,family=gaussian))
# ...
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 34.66099    2.54700  13.609 4.02e-14 ***
# cyl         -1.58728    0.71184  -2.230   0.0337 *  
# disp        -0.02058    0.01026  -2.007   0.0542 .  
# ---
summary(glm(mpg~cyl:disp,df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.0833812  1.0251545  26.419  < 2e-16 ***
# cyl:disp    -0.0043138  0.0005157  -8.364 2.46e-09 ***
# ---
summary(glm(mpg~cyl*disp,df,family=gaussian))
# ...
# Coefficients:
#              Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 49.037212   5.004636   9.798 1.51e-10 ***
# cyl         -3.405244   0.840189  -4.053 0.000365 ***
# disp        -0.145526   0.040002  -3.638 0.001099 ** 
# cyl:disp     0.015854   0.004948   3.204 0.003369 ** 
# ---
summary(glm(mpg~(cyl+disp):(hp+drat),df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.7196970  3.7574472   7.377 6.18e-08 ***
# cyl:hp      -0.0147027  0.0051353  -2.863  0.00802 ** 
# cyl:drat     0.7146769  0.3432173   2.082  0.04692 *  
# disp:hp      0.0003444  0.0001393   2.473  0.01998 *  
# disp:drat   -0.0282752  0.0082855  -3.413  0.00204 ** 

一般来说,在没有主效应的情况下考虑相互作用的模型不是一个好主意。

你可以看到这是如何简单地在下面工作:

df <- mtcars[1:5]    # first 5 cols of mtcars
summary(glm(mpg~cyl+disp,df,family=gaussian))
# ...
# Coefficients:
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 34.66099    2.54700  13.609 4.02e-14 ***
# cyl         -1.58728    0.71184  -2.230   0.0337 *  
# disp        -0.02058    0.01026  -2.007   0.0542 .  
# ---
summary(glm(mpg~cyl:disp,df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.0833812  1.0251545  26.419  < 2e-16 ***
# cyl:disp    -0.0043138  0.0005157  -8.364 2.46e-09 ***
# ---
summary(glm(mpg~cyl*disp,df,family=gaussian))
# ...
# Coefficients:
#              Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 49.037212   5.004636   9.798 1.51e-10 ***
# cyl         -3.405244   0.840189  -4.053 0.000365 ***
# disp        -0.145526   0.040002  -3.638 0.001099 ** 
# cyl:disp     0.015854   0.004948   3.204 0.003369 ** 
# ---
summary(glm(mpg~(cyl+disp):(hp+drat),df,family=gaussian))
# ...
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 27.7196970  3.7574472   7.377 6.18e-08 ***
# cyl:hp      -0.0147027  0.0051353  -2.863  0.00802 ** 
# cyl:drat     0.7146769  0.3432173   2.082  0.04692 *  
# disp:hp      0.0003444  0.0001393   2.473  0.01998 *  
# disp:drat   -0.0282752  0.0082855  -3.413  0.00204 ** 

一般来说,在没有主效应的情况下考虑相互作用的模型不是一个好主意。在(广义)线性模型的上下文中,

“交互项”是一个统计概念,你需要研究自己。这不是一个编程问题。如果你开始谷歌搜索,你会发现很多资源,但可能你需要学习一门关于线性模型的入门课程。这个问题似乎是离题的,因为它是关于交互术语的统计意义,因此属于stats.stackexchange.com。我想OP是在问
glm(…)
的公式接口是如何工作的,如果是的话,那么这是一个完全合理的问题,而不是“交互在glm中意味着什么?”(广义)线性模型中的“交互术语”是一个你需要自己研究的统计概念。这不是一个编程问题。如果你开始谷歌搜索,你会发现很多资源,但可能你需要学习一门关于线性模型的入门课程。这个问题似乎是离题的,因为它是关于交互术语的统计意义,因此属于stats.stackexchange.com。我想OP是在问
glm(…)
的公式接口是如何工作的,如果是的话,那么这是一个完全合理的问题,而不是“交互在glm中意味着什么?”(广义)线性模型中的“交互术语”是一个你需要自己研究的统计概念。这不是一个编程问题。如果你开始谷歌搜索,你会发现很多资源,但可能你需要学习一门关于线性模型的入门课程。这个问题似乎是离题的,因为它是关于交互术语的统计意义,因此属于stats.stackexchange.com。我想OP是在问
glm(…)
的公式接口是如何工作的,如果是的话,那么这是一个完全合理的问题,而不是“交互在glm中意味着什么?”(广义)线性模型中的“交互术语”是一个你需要自己研究的统计概念。这不是一个编程问题。如果你开始谷歌搜索,你会发现很多资源,但你可能需要参加一个关于线性模型的介绍课程。这个问题似乎是离题的,因为它是关于交互术语的统计意义,因此属于stats.stackexchange。